马哈拉里斯 k-NN：用于鲁棒点云配准的统计视角
计算机视觉与模式识别
2025-01-09 v2
摘要
本文讨论马哈拉里斯 k-NN：一种统计视角，用于解决在点云密度任意时面向学习方法的点云配准中面临的特征匹配挑战。我们通过采用马哈拉里斯 k-NN 固有属性来捕捉局部邻域和曲面几何的分布。我们的方法可以无缝集成到任何基于局部图的点云分析方法中。本文重点关注两种不同的方法：Deep Closest Point (DCP) 和 Deep Universal Manifold Embedding (DeepUME)。我们在 ModelNet40 和 FAUST 数据集上的广泛基准测试突显了该方法在点云配准任务中的有效性。此外，我们首次建立点云配准获得的特征本身具有判别能力。通过在 ModelNet40 和 ScanObjectNN 上进行基准测试，这一特征在点云少样本分类任务中平均准确率提高了约 20%。
引用
@article{arxiv.2409.06267,
title = {Mahalanobis k-NN: A Statistical Lens for Robust Point-Cloud Registrations},
author = {Tejas Anvekar and Shivanand Venkanna Sheshappanavar},
journal= {arXiv preprint arXiv:2409.06267},
year = {2025}
}